**Model Context Protocol, ou MCP. O que é e por que você deveria se importar?**
Estamos em 2025 e o ecossistema em torno dos Large Language Models (LLMs) parece não ter perdido o fôlego. Se no começo o foco estava em modelos cada vez maiores treinados com mais dados, ao longo de 2024 o interesse migrou para a construção de sistemas de IA "compostos", em que o LLM é integrado como peça de um sistema de IA mais amplo, modular e combinável.
Há algumas razões para essa mudança:
1. Combinabilidade: queremos ir além da geração de texto e automatizar fluxos de trabalho que hoje são manuais. Por exemplo, você não quer copiar a resposta do seu gerente para o ChatGPT; você quer o LLM integrado ao seu cliente de e-mail. Ou, como DBA, você não quer digitar todo o schema e os relacionamentos entre as tabelas do seu banco relacional; você quer que o LLM consiga buscar essas informações sob demanda.
2. Embasamento: um LLM (como descrito aqui por Andrej Karpathy) é, grosso modo, uma compressão probabilística e com perdas de toda a internet (e dos demais textos usados no treinamento), ou seja, opera com um snapshot estático do mundo no momento do treinamento (o famoso knowledge cut-off). Além disso, como ele basicamente segue prevendo "o próximo melhor token", pode inventar coisas sem qualquer ancoragem na realidade — o que, embora divertido, nem sempre é desejável (são as famosas alucinações). Uma forma de evitar isso é dar aos modelos acesso de recuperação a informações mais atuais que possam ser referenciadas nas respostas.
3. Comportamento agêntico: em cenários menos determinísticos, podemos até abrir mão de algum controle sobre _o que_ fazer e _como_ executar uma tarefa. Queremos que o modelo escolha as ferramentas necessárias, busque as informações pertinentes, tome suas próprias decisões e se adapte no caminho.
O fio condutor dessas mudanças é a comunicação com sistemas externos, que, sem um padrão comum, exigiria uma implementação sob medida para cada novo sistema, criando um cenário fragmentado. Ao apresentar o Model Context Protocol no fim de 2024, a Anthropic se propôs a transformar esse problema de integração N × M em um problema N + M, com um padrão aberto para conexões bidirecionais entre fontes de dados (N ferramentas) e ferramentas com IA (M clientes). É comparável à forma como o HTTP padronizou a comunicação entre navegadores e servidores web.
Para quem está preocupado com seus códigos em LangChain ou LlamaIndex, pode ficar tranquilo — o MCP não veio para substituí-los. Como mostra esta palestra, o MCP permitirá que os frameworks agênticos foquem no que fazem de melhor: rodar o loop agêntico e responder aos dados trazidos pelas ferramentas.
Adotado agora por Amazon, OpenAI e Google, o MCP caminha para se tornar o HTTP dos apps nativos de agentes — então vale a pena olhar com atenção!
O que é preciso para criar seu próprio servidor MCP?
Em modelcontextprotocol.io, você encontra um guia completo para desenvolvedores sobre como criar seu próprio servidor. Não vamos repetir todos os passos aqui, mas vale destacar os conceitos centrais e os tipos de capacidades que um servidor pode oferecer:
- Resources: qualquer tipo de dado que um servidor MCP queira disponibilizar ao cliente entra aqui, sejam recursos textuais (registros de banco de dados, código-fonte etc.) ou binários (imagens, áudio, vídeo etc.). O cliente pode descobrir, ler e atualizar resources. Eles foram pensados para serem controlados pela aplicação.
- Prompts: o servidor pode definir templates de prompts e fluxos reutilizáveis, padronizando as interações cotidianas com o LLM. Ao embutir parte do conhecimento de domínio, os prompts orientam o usuário ao uso correto da funcionalidade que seu servidor MCP oferece. Por isso, foram pensados para serem controlados pelo usuário.
- Tools: por meio das tools, o servidor disponibiliza ao cliente funcionalidades executáveis, permitindo que ele interaja com sistemas externos e realize ações no mundo real — pense em integrações de API, processamento de dados etc. Como queremos delegar ao LLM a decisão sobre o que fazer, as tools foram pensadas para serem controladas pelo modelo.
**Liberando o servidor MCP da DoiT para todo mundo**
Como boa DoiT, quisemos nos juntar a essa comunidade pujante de servidores lançando nosso próprio servidor MCP e encontrando nossos clientes onde eles já estão.
E aqui está ele:
doitintl/doit-mcp-server: o MCP Server oficial da DoiT \ MCP Server oficial da DoiT.\ github.com
Tudo o que você precisa fazer é pegar sua chave de API da DoiT e começar a explorar!
Configurar o nosso servidor dá a você acesso direto para conversar com seus dados de FinOps multicloud no DoiT Cloud Intelligence™. Hoje, é possível interagir, via servidor, com incidents, anomalies, reports, queries e dimensions da DoiT API. Fique de olho no repositório — tem mais novidade vindo por aí!
Como tirar o máximo proveito?
Imagine uma manhã típica de segunda-feira: você quer um pulse check rápido de como sua infraestrutura de nuvem passou o fim de semana. Em vez de vasculhar dashboards e ler um monte de e-mail de alerta, você simplesmente pergunta ao seu assistente favorito:
Há algum incidente na minha Cloud Infrastructure do qual eu deva saber? Por favor, apresente em uma tabela markdown e resuma textos longos em alguns bullet points.
Ou você quer ver para onde foi seu dinheiro na última semana e se há tendências dignas de atenção:
Você pode me dar uma visão geral dos meus custos de nuvem em todo o meu uso na última semana? Quero granularidade diária e só me interessam os 5 maiores serviços. Você percebe alguma tendência?
E se quiser ver os dados em que o Claude baseou a análise, é só pedir:
Pode me mostrar uma visão geral dos dados em uma tabela?
Com o MCP, seu assistente — o Claude, por exemplo — sabe exatamente quais endpoints da DoiT chamar; ele monta a requisição e a executa. Quando recebe a informação correta, apresenta para você ou analisa os dados, conforme o que você pediu.
—
Venha com a gente deixar sua jornada de FinOps mais simples: deixe seu feedback no repositório ou fale com a gente em doit.com/services!